连续优化

合集下载

基于变密度法的连续体结构拓扑优化研究

基于变密度法的连续体结构拓扑优化研究

基于变密度法的连续体结构拓扑优化研究引言:连续体结构是指由连续材料组成的结构,如桥梁、建筑物和飞机机翼等。

对于设计者来说,如何优化这些结构的拓扑是一个重要且复杂的问题。

结构拓扑优化可以帮助设计者找到一个在给定的约束条件下最优的结构形状。

在过去的几十年里,许多方法已经被提出来解决这个问题,其中变密度法是一种被广泛应用于连续体结构优化的方法。

1.变密度法的原理变密度法是一种基于材料密度的优化方法,它通过改变结构中不同区域的密度来调整结构的拓扑。

其基本思想是先将结构划分为许多小的单元,然后对每个单元中的材料密度进行调整,最终得到最优的材料密度分布。

2.变密度法的步骤(1)定义设计域:将结构划分为多个单元,并给每个单元中的材料密度分配一个初始值。

(2)定义目标函数和约束条件:目标函数是设计者所期望的结构性能,如最小重量或最大刚度。

约束条件可以包括应力约束和位移约束等。

(3)改变材料密度:通过增加或减小材料密度来调整结构的拓扑,使得目标函数在约束条件下达到最优。

(4)更新设计:根据目标函数和约束条件的要求,更新每个单元中的材料密度。

(5)重复迭代:不断重复步骤3和步骤4,直到满足预设的终止条件。

3.变密度法的优点(1)灵活性:变密度法可以产生各种不同的材料布局,适用于不同的结构类型和工程问题。

(2)低计算成本:相对于其他优化方法,变密度法的计算成本较低,可以在较短的时间内得到较好的结果。

(3)自适应性:变密度法能够根据目标函数和约束条件的变化自动调整材料密度,实时更新结构拓扑。

(4)材料节约:通过优化结构拓扑,变密度法能够使结构重量降低,从而节约材料成本。

4.变密度法的应用领域变密度法可以应用于多个领域,包括航空航天、建筑工程和交通运输等。

例如,在航空航天领域,变密度法可以用于优化航空器的机翼结构,提高飞行性能和燃油效率。

在建筑工程领域,变密度法可以用于设计高效且节约材料的建筑结构。

在交通运输领域,变密度法可以用于优化汽车车身结构,提高安全性和燃油经济性。

nurbs曲面c~1连续参数优化算法

nurbs曲面c~1连续参数优化算法
摘 要: 为了在 NURBS 曲面上生成满足 C1 连续的近似弧长参数化等参线, 将 NURBS 曲面 4 条边界的积分能量函 数作为目标函数, 提出一种基于分段三次重新参数化的曲面参数优化算法. 首先推导出 NURBS 曲面 4 条边界的参数 表达式; 然后使用 Hermite 基函数变换 NURBS 曲面 u 和 v 方向参数, 重新计算参数化等参线, 导出变换后的 4 条边 界的积分能量函数; 最后通过数值优化算法计算出曲面的最优参数表示. 在 MFC 和 OpenGL 环境下实现了多个 NURBS 曲面的等参线分布和纹理映射实验, 结果表明该算法是有效的.
第 11 期
李效伟, 等: NURBS 曲面 C1 连续参数优化算法
1883
1 相关工作
近 10 年的研究工作中, 相关学者[1-8]在自由曲 线的最优参数化方面做了大量工作, Farouki 等[1-2] 提出弧长参数化是最优参数化的理想目标, 针对 Bézier 曲线的参数优化问题, 通过计算二次方程的解来 求出曲线的最优参数表示. 根据 Farouki 提出的曲 线最优参数化, Jültter[3]针对 Bézier 曲线的最优参 数化表示的计算公式, 提出一种便于计算的方法. Costantini 等[4]提出组合参数化方法, 其生成的参 数化效果非常接近弧长参数化. 郭凤华[5]利用遗传 算法求解一个连续的 Maxmin 问题, 并求出 Bézier 曲线的最优参数表示. 李效伟等[7]提出使用极值求 解法获得优化算法初始值的参数优化方法, 其能 够快速地收敛到局部最优. 当前, 相对于自由曲线 的大量研究工作, NURBS 曲面相关的研究还没有 引起足够重视.
块制造, 然后再组装形成完整的设备, 这就要求每 个模块的等参线和边界曲线满足或者近似满足均 匀性、连续性和正交性等参数特性, 才能保证组装 之后的大型设备的表面具有较好的参数特性.

软件开发流程的持续改进与优化

软件开发流程的持续改进与优化

软件开发流程的持续改进与优化软件开发流程的持续改进与优化对于现代企业来说至关重要。

随着技术的不断进步和市场的快速变化,软件开发流程需要不断地进行调整和优化,以适应新的需求和挑战。

本文将探讨如何在软件开发过程中实施持续改进和优化的方法和策略。

一、需求分析与规划阶段的改进与优化在软件开发的初期阶段,需求分析与规划是关键的一环。

传统的需求分析方法往往耗时长且容易出错,因此需要采用更加高效和精确的方法来进行改进和优化。

例如,引入敏捷开发方法,采用迭代和增量的方式来进行需求分析和沟通,能够有效减少需求变更的风险,提高开发效率。

此外,利用数据分析和用户反馈来不断优化需求分析过程,确保开发的软件能够真正满足用户的需求。

二、设计与架构阶段的改进与优化设计与架构是软件开发中的关键环节,对于软件系统的质量和可维护性有着重要影响。

为了提高设计的质量,可以采用模块化和组件化的设计思想,将软件系统划分为多个独立且可复用的部分。

同时,应用设计模式和最佳实践,提高代码的可读性和可维护性。

此外,通过引入自动化测试和代码审查等技术手段,及时发现和修复设计与架构上的问题,确保软件系统的稳定性和可靠性。

三、开发与测试阶段的改进与优化在软件开发过程中,开发与测试是密不可分的环节。

为了提高开发效率和质量,可以采用持续集成和持续交付的方法,将开发和测试的过程自动化,实现快速迭代和频繁交付。

同时,引入自动化测试和自动化部署技术,减少人工干预的错误和影响,从而提高软件的可测试性和可靠性。

此外,建立高效的协作和沟通机制,确保开发人员和测试人员之间的信息共享和问题解决,提升团队的整体生产力。

四、发布与运维阶段的改进与优化软件发布与运维是软件开发的最后阶段,也是持续改进和优化的重要环节。

为了实现持续交付和快速响应市场变化,可以采用容器化和云计算等技术手段,实现软件的快速部署和弹性扩展。

同时,引入监控和日志分析等技术手段,及时发现和解决软件系统的问题,提高系统的可用性和稳定性。

连续优化、离散优化、组合优化与整数优化

连续优化、离散优化、组合优化与整数优化

连续优化、离散优化、组合优化与整数优化最优化问题(optimization problem)⾃然地分成两类:⼀类是连续变量的问题,称为连续优化问题;另⼀类是离散变量的问题,称为离散优化问题。

1. 连续优化(continuous optimization)连续优化是求解连续优化是求解在连续变量的问题,其⼀般地是求⼀组实数,或者⼀个函数。

离散优化(discrete optimization)2. 离散优化连续优化是求解离散变量的问题,是从⼀个⽆限集或者可数⽆限集⾥寻找⼀个对象,典型地是⼀个整数,⼀个集合,⼀个排列,或者⼀个图。

3. 组合优化(combinatorial optimization)组合优化问题的⽬标是从组合问题的可⾏解集中求出最优解,通常可描述为:令Ω={s1,s2,…,sn}为所有状态构成的解空间,C(si)为状态si对应的⽬标函数值,要求寻找最优解s*,使得对于所有的si∈Ω,有C(s*)=minC(si)。

组合优化往往涉及排序、分类、筛选等问题,它是运筹学的⼀个重要分⽀。

典型的组合优化问题有旅⾏商问题(Traveling Salesman Problem-TSP)、加⼯调度问题(Scheduling Problem,如Flow-Shop,Job-Shop)、0-1背包问题(Knapsack Problem)、装箱问题(Bin Packing Problem)、图着⾊问题(Graph Coloring Problem)、聚类问题(Clustering Problem)等。

这些问题描述⾮常简单,并且有很强的⼯程代表性,但最优化求解很困难,其主要原因是求解这些问题的算法需要极长的运⾏时间与极⼤的存储空间,以致根本不可能在现有计算机上实现,即所谓的“组合爆炸”。

正是这些问题的代表性和复杂性激起了⼈们对组合优化理论与算法的研究兴趣。

4. 整数优化(integer programming, IP)要求所有的未知量都为整数的线性规划问题叫做整数规划 (integer programming, IP) 或整数线性规划 (integer linear programming, ILP) 问题。

基于连续空间优化的蚁群算法

基于连续空间优化的蚁群算法

0 引言
受 自然 界蚂蚁 寻找从 巢穴 到食物 源 的最 短路 径 的启 发 , oi D r o等人 提 出 了蚁 群 算 法 … 。它具 有 分 g
在蚁群 算法 优化 离 散空 间如 组合 优 化 问题 时 ,
路径是 一个 实实在 在 的概 念 , 蚂蚁 选择 的路 线有 确 定 的方 向 , 素完 全作用 在路 径上 , 信息 而当蚁群 算法

要 :通 过对蚁 群 算法基本 理论 的研 究 ,从 经 典 的蚁 群 算 法模 型 中,抽 象 出解 决 问题 的 一般
方 法 ,提 出 了在连 续 空间优 化 问题 中蚁 群 算 法 的模 型 ,在 算 法 中加 入 了 自适应 策 略 用 以提 高 算
法的性能 ,并通过 实例分析 了连 续 空 间优 化 问题 中蚁 群 算 法 的性 能 ,通过 仿 真 实验 证 明 了算 法
1 算 法模 型 分析
由于在 连续空 间 的寻优 问题 求解 中 , 空 间是 解

种区域性 的表示 方 式 , 而不 是 以离散 的点 集 方式
表示 的 , 以 , 所 连续 空间寻优 蚁群算 法要 在离 散空 间 寻优蚁 群算法 的基础 上增加 和修 改一些 内容 : ( ) 的多样性表 达方式 。 1解
布式 计算 、 息正反 馈 和启 发式 搜索 的特征 , 质 上 信 本
是进 化算法 中 的一 种 新 型 随机 性优 化 算法 , 并且 在
作用 于连续 空间 时 , 路径 仅是一 个虚拟 的概念 , 需要
TP 、 S 调度 、 次分配 等诸多 问题 上 表 现 出 良 二
好 的性 能 。提 出 了一 种用于 求解连 续空 间问题 的蚁 群 优化算 法 , 实验 证 明该 方法具 有更 强 的求解 能力 。

连续变量的优化算法

连续变量的优化算法

连续变量的优化算法
连续变量的优化算法是指用于解决连续变量优化问题的算法。

这些算法通常用于寻找使目标函数达到最优的连续变量值。

常见的连续变量优化算法有:
1.梯度下降法:梯度下降法是一种常用的连续变量优化算法,它通过迭代地沿着函数梯度的负方向寻找最优解。

2.牛顿法:牛顿法是一种基于函数二阶导数的优化算法,它通过迭代地求解方程来找到最优解。

3.拟牛顿法:拟牛顿法是牛顿法的改进,它通过构造一个近似于函数二阶导数的矩阵来加速牛顿法的收敛速度。

4.共轭梯度法:共轭梯度法是一种结合了梯度下降法和牛顿法的算法,它通过迭代地沿着共轭方向寻找最优解。

5.遗传算法:遗传算法是一种基于生物进化原理的优化算法,它通过模拟自然选择和遗传机制来寻找最优解。

6.模拟退火算法:模拟退火算法是一种基于物理退火过程的优化算法,它通过随机地探索解空间来寻找最优解。

制度改善与持续优化制度

制度改善与持续优化制度

制度改善与连续优化制度一、背景与目的为了提高企业管理水平,确保企业运营的规范性和高效性,本制度旨在对现有制度进行改善和连续优化,以满足企业发展和员工需求。

通过不绝优化制度,提升企业运营效率,加强员工的工作乐观性和归属感。

二、制度改善流程1. 制度评估每年定期对现有制度进行全面评估,包含但不限于制度执行情况、效果反馈、员工看法等。

评估结果将作为制度改善的基础和依据。

2. 制度订立与修改基于制度评估结果,分析问题和改善需求,订立制度改善计划。

计划内容包含制度改善目标、时间布置、责任人等。

相关部门负责人负责订立和修改相关制度,并依照流程报批。

3. 制度试行订立或修改的制度经过审核后,由相关部门在试行范围内执行。

试行期间,相关部门负责人负责监督制度的执行情况,并及时收集员工对制度改善的反馈看法。

4. 制度优化试行期满后,依据员工反馈看法和实际情况,优化已试行的制度内容,包含制度的条文、流程和细节。

优化后的制度再次报批,并重新试行,直至实现预期效果。

5. 制度宣贯与培训优化后的制度需进行全员宣贯和培训,确保员工充分理解制度内容和执行要求。

宣贯和培训方式包含但不限于制度培训会议、内部通知和在线学习平台。

6. 制度执行监督各部门负责人对本部门制度执行情况负总责,并设立定期检查制度执行的机制。

监督过程中重点关注制度执行人员的操作规范、工作流程和效率。

7. 制度改善的连续性制度改善是一个连续的过程,需要通过定期评估、改善计划、试行优化等环节进行连续推动。

改善过程中,鼓舞员工提出改进看法,加以合理利用,并向员工及时反馈改善的结果。

三、员工参加机制在制度改善过程中,鼓舞员工乐观参加,发表看法和建议。

员工参加的机制如下:1. 员工看法箱在企业内设立员工看法箱,在制度改善期间员工可以自由向看法箱提交看法和建议。

看法箱由专人负责管理,保证看法的真实性和保密性。

2. 多种渠道征求看法除了员工看法箱,还设立定期的员工沟通会议、问卷调查等渠道,邀请员工就制度改善发表看法和建议。

连续Hopfield神经网络的优化——旅行商问题优化计算

连续Hopfield神经网络的优化——旅行商问题优化计算

案例背景:
利用神经网络解决组合优化问题是神经网络应用的一个重要方面。

所谓组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。

将Hopfield网络应用于求解组合优化问题,把目标函数转化为网络的能量函数,把问题的变量对应到网络的状态,这样,当网络的能量函数收敛于极小值时,问题的最优解也随之求出。

由于神经网络是并行计算的,其计算量不随维数的增加而发生指数性“爆炸”,因而对于优化问题的高速计算特别有效。

[ 以下有详细的Hopfield网络理论知识..........]
问题描述:
TSP问题,即所谓的旅行商问题(Traveling Salesman Problem)。

问题的提法是:在N个城市中各经历一次后回到出发点,使所经过的路程最短。

不考虑方向性和周期性,在给定N 的条件下,可能存在的闭合路径数目为1/2(N-1)!。

当N较大时,枚举法的计算量之大难以想象。

将Hopfield网络用于求解该问题,效果非常显著。

模型建立:
该处有完整的数学理论推导过程....
Matlab程序实现:
该处有完整的Matlab程序代码,以及代码的详细说明
* 清空环境变量、定义全局变量
* 导入城市位置
* 初始化网络
* 计算相互城市间距离
* 寻优迭代
* 检查路径合法性
* 结果绘图
* 绘制能量函数变化过程
结果分析:
该处有详细的运行结果。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
p cos a = E = 2 s
ph s 3
其中, 为 点的光强度 点的光强度, 为平面的法线方向与光源 其中,p为 O点的光强度,a为平面的法线方向与光源 点的连线之间的夹角,h为光源的高度 到 A点的连线之间的夹角 为光源的高度 , s为光源到 点的连线之间的夹角 为光源的高度, 为光源到 A点的距离 点的距离 4.为保证在该路段上处处都能有满足正常活动需要的 为保证在该路段上处处都能有满足正常活动需要的 照明强度, 照明强度,取照度的最小值为 2
连续约束优化
例:考虑我们被一家小型石油转运公司雇佣为咨询员的情形。 由于储存空间非常有限,该公司管理人员希望有一种使费用 最小的管理策略。 识别问题: 在满足有限的储存空间约束的前提下,分配和维持足够的石 油以满足需求,使总费用最小。 假设: 决定总费用的因素很多,在我们的模型中,考虑以下因素: 容器储存石油的费用;单位时间内从容器中取走石油的速率; 石油的成本;容器的容量。
2 3
− h
2

求解
对s关于h求导可得: 关于h求导可得:
h =
*
1
4
27
p c0
此时面积达最大值,可求得路灯得最优高度。 此时面积达最大值,可求得路灯得最优高度。 面积达最大值 代入,结果为: 代入,结果为: 最优高度h 4.60米 最优高度h为4.60米
二 两盏路灯间距最大的的优化问题 目 的 主要考虑当高度为何值时, 主要考虑当高度为何值时,两灯 的距离可达最大值
背景知识
1. 光强度:光源在一定范围内发出可见光辐射强弱的物 光强度: 理量。 理量。以光源在某一方向上单位立体角所辐射的能量来 量度,单位: 量度,单位:坎德拉 2. 照度:单位面积上得到的光通量,单位:勒克司 照度:单位面积上得到的光通量,单位: 3. 照度定律:点光源 预备照明平面中心 的距离为 照度定律:点光源O预备照明平面中心 预备照明平面中心A的距离为 h时,平面上 点的照度 时 平面上A点的照度
20 w / m
模型假设
1. 主要考虑高度和间距的优化问题为简化模型设 路灯的额定功率为定值 路的路灯标签 p 0 = 2200 w 注:数据来源 A路的路灯标签 额 额定电流为10安 定电压为220伏,额定电流为 安 2. 在考虑一排路灯的情况时,假设为完全规范的, 在考虑一排路灯的情况时,假设为完全规范的, 即处处等宽。 数据来源: 即处处等宽。即宽度为 5米 (数据来源:实地测 路的宽度. 量A路的宽度.) 3. 经查阅物理知识,照明强度直接影响可见度,只 经查阅物理知识,照明强度直接影响可见度, 有照明强度不低于某定值时,才能认为物体可见。 有照明强度不低于某定值时,才能认为物体可见。 在这里认为对所有物体照明强度不低于某定值
c 0 = 20 w
m
2
模型假设
4. 经观测路长L=260米 经观测路长L=260米 L=260 记 号
h: 路灯的高度
l: 路灯的间距 L: 路长
p: 路灯的功率
d:路的宽度
模型建立与求解
一 . 一盏路灯的优化问题 由物理学知识可知, 由物理学知识可知,被光线照射的物体的亮度依 赖于它与光源之间的距离平方的倒数和光线的投射 角度。路灯到某点A的照明强度为: 角度。路灯到某点A的照明强度为:
利用计算机代数系统,得解 (美元) x1 = 5.0968, x2 = 3.4516, λ = 0.3947, f ( x1 , x2 ) = 12.71
f 当对 x1 , x2 的值做很小的扰动(无论增加或减少)时, ( x1 , x2 ) 的值都增加,因此,这个解是一个极小点。
模型的敏感性
λ 变量 λ 的值具有特殊的意义,称为影子价格。 的值表示的是, 当 λ 所表示的右端项每增加一个单位时,目标函数值的改变量。在 问题中 λ =0.3947表示,若储存容器的总容量从24立方英尺增加到25 立方英尺,则目标函数的值从12.71美元近似变为12.71+1×0.3947, 即13.10美元。经济解释是:储存容器的总容量增加一个单位时,总 费用增加0.40美元。
最大利润化函数
P( x1 , x2 ) = R − C = (3390 − − 0.03x2 ) x1 + (3390 − 0.04 x1 − 0.1x2 ) x2 − (400000 + 1950 x1 + 2250 x2 ) = 1440 x1 − 0.1x1 + 1740 x2 − 0.1x2 − 0.07 x1 x2 − 400000
2ph 1 2 2 2 l +d +h 4
3 2
+
2ph 9 2 2 2 l +d +h 4
3 2
且要使R点的物体可见应有 且要使 点的物体可见应有:
c

c
0
求使得l最大的 最大的h值 从而只需求当cR= c0 时,求使得 最大的 值
同第二部分, 同第二部分,用Matlab求解 求解 结 米时, 最大。 得h=6.6米时,l最大。 米时 最大 果 最大值为16.5米。 最大值为 米 2
c =
(r
ph
2
+ h
2
)
3
2
其中p为灯的功率 , 为灯的高度 为灯的高度, 为灯在地面 其中 为灯的功率, h为灯的高度 , r为灯在地面 为灯的功率 投映点到点A的距离 投映点到点 的距离.
地面上物体可见的区域为: 地面上物体可见的区域为:
(r
ph
2
+ h
2
)
3
≥ c
2
0
条件: 物体可见区域 条件:
数学建模与数学实验
连续优化建模
优化模型
• 优化:在一定条件下,使目标最大的决 策。 • 优化问题是经常遇到的问题,如:结构 设计,资源分配,生产计划,运输方案 等。 • 全国大学生数模竞赛题一半以上与优化 有关,并且需用软件求解。
竞争性产品生产中的利润最大化
情景 一家制造计算机的公司计划生产两种产品:两种计算机使用相同 的处理芯片,但一种使用27英寸的显示器,另一种使用31英寸的 显示器。除了400000美元的固定费用外,每台27英寸显示器的计 算机花费1950美元,而31英寸的需花费2250美元。每台27英寸显 示器的计算机零售价格为3390美元,而31英寸的零售价格为3990 美元。在竞争市场上,一种类型的计算机每多买出一台,它的价 格就下降0.1美元。此外,每销售一台31英寸显示器的计算机,27 英寸计算机零售价格下降0.03美元;每销售一台27英寸显示器的 计算机,31英寸的计算机零售价格下降0.04美元。假设制造的所 有计算机都可以售出,那么该公司应该生产每种计算机多少台, 才能使利润最大?
l1 l1
1 A
如图, 点的照度在路面的各点 如图,A点的照度在路面的各点 中最小,所以l和 的只需满足 中最小,所以 和 h的只需满足 :
c A ≥ c0
其中c A =
目 的
(0.25l
2 ph
2
+h +d
2
2
)
3
2
只需

, l最 最
4400 h
2
的h 的
= 20
2
(0 .25 l
2 3
+ h 2 + 25
三 一排路灯的优化问题 目 的 路灯 路灯 灯 的 1. 的路灯
K L


M
N
Q
R
2
由上图可知,路灯 和 之间的路段 与中点Q相对的 之间的路段, 相对的R 由上图可知 路灯l和m之间的路段,与中点 相对的 路灯 点的照明强度最小,并且计算该点照明强度时, 点的照明强度最小,并且计算该点照明强度时,只 需考虑路灯K,L,M,N对其的影响,其他较远的路灯对 对其的影响, 需考虑路灯 对其的影响 其的影响可忽略。 其的影响可忽略。 R点的照明强度为 c = 点的照明强度为
1 2 9 4 3 5 0.50 0.20 2 4
通过测量,我们发现公司的储存容量只有24立方英尺 。将以 上数据带入,我们的模型为
min f ( x1 , x2 ) = 2 x1 + 4 x2 = 24 27 20 + 0.25 x1 + + 0.10 x2 x1 x2
模型求解: 模型求解: 求解具有等式约束的非线性优化问题的常用方法是Lagrange乘 子法。
ph r ≤ c 0
2
3
− h2
物体可见区域的面积为以O为圆心, 物体可见区域的面积为以 为圆心,以r为半径的圆 为圆心
ph 其中r = c 0
2
3
− h2
2
模型为: 模型为:
max s = π r
ph = π c 0
定义函数
L( x1 , x2 , λ ) = f ( x1 , x2 ) + λ[ g ( x, y ) − T ]
27 20 即L( x1 , x2 , λ ) = + 0.25 x1 + + 0.10 x2 + λ (2 x1 + 4 x2 − 24) x1 x2 ∂F − 27 ∂x = x 2 + 0.25 + 2λ = 0 1 1 ∂F − 20 = 2 + 0.10 + 4λ = 0 ∂x2 x2 ∂F ∂λ = 2 x1 + 4 x2 − 24 = 0
2 2
最优的必要条件是 ∂P = 1440 − 0.2 x1 − 0.07 x2 = 0 ∂x1 ∂P = 1740 − 0.07 x1 − 0.2 x2 = 0 ∂x2
解方程组得到: x1=4736 , x2=7043 (都经过了舍入) 也就是说,公司应该制造4736台27英寸的系统,7043台31英寸 的系统,总利润为P(4736,7043)=9136410.25(美元)。
相关文档
最新文档